Model Selection and Error Estimation in a Nutshell

Comment choisir le modèle axé sur les données le plus performant ? Comment estimer rigoureusement son erreur de généralisation ? La théorie de l'apprentissage statistique répond à ces questions en dérivant des bornes non-asymptotiques sur l'erreur de généralisation d'un modèle ou, en d'autres termes, en calculant la limite supérieure de l'erreur réelle du modèle appris uniquement à partir des quantités calculées à partir des données disponibles. Cependant, pendant longtemps, la théorie de l'apprentissage statistique n'a été considérée que comme un cadre théorique abstrait, utile pour inspirer de nouvelles approches d'apprentissage, mais avec une applicabilité limitée aux problèmes pratiques. Le but de cet ouvrage est de donner un aperçu intelligible des problèmes de sélection des modèles et d'estimation des erreurs, en se concentrant sur les idées derrière les différentes approches de la théorie de l'apprentissage statistique et en simplifiant la plupart des aspects techniques dans le but de les rendre plus accessibles et utilisables dans la pratique. Le livre commence par présenter les travaux fondateurs des années 80 et inclut les résultats les plus récents. Il traite des problèmes en suspens et décrit les orientations futures de la recherche.